车辆起步意图的预测方法、装置、终端设备及存储介质与流程

本申请属于汽车自动驾驶领域，尤其涉及一种车辆起步意图的预测方法、装置、终端设备及存储介质。

背景技术：

1、准确的起步意图预测对汽车自动驾驶领域的发展有着重要意义，通过起步意图预测可以进一步解决自动驾驶中跟车反应滞后等问题，尤其是在红绿灯场景下的目标车辆起步意图预测，可以提前获得自动驾驶前方车辆的起步意图，有助于自动驾驶车辆及时跟车，提高舒适性。其中，起步意图一般指处于静止状态的车辆可能产生起步动作，从而驱离当前位置的意图。目前由于起步之前车辆的运动数据波动较小，特征区分度低，从而目前无法采用模型准确预测起步意图，存在诸多不足。

技术实现思路

1、本申请目的在于提供一种车辆起步意图的预测方法、装置、终端设备及存储介质，旨在解决目前无法采用模型准确预测起步意图的问题。

2、本申请实施例的第一方面提供了一种目标车辆起步意图的预测方法，所述预测方法包括：

3、获取未起步的目标车辆在距离当前时刻设定时长内每一时刻的第一运动数据；

4、将所述第一运动数据输入至预设的起步意图预测模型，所述起步意图预测模型输出所述目标车辆的起步预测结果；所述起步意图预测模型是通过多个车辆在起步前的设定时长内的历史运动数据训练形成。

5、在可选的实施例中，所述预测方法还包括：

6、在用户车辆探测范围内，获取距离所述目标车辆最近以及最远的车辆中的至少一个车辆在距离当前时刻设定时长内每一时刻的第二运动数据；

7、将所述第二运动数据输入至所述起步意图预测模型，所述起步意图预测模型输入所述第一运动数据和所述第二运动数据，并输出所述目标车辆的起步预测结果。

8、在可选的实施例中，在所述获取未起步的目标车辆在距离当前时刻设定时长内每一时刻的运动数据之前，所述预测方法还包括：

9、获取多个车辆在预设历史时间段内的每一时刻的历史运动数据；所述预设历史时间段在所述车辆完成起步之前；

10、将预设历史时间段拆分为多个子时间段，每个子时间段的时间长度为设定时长；

11、根据人工输入的每个子时间段内各车辆的起步标注结果，标注每个子时间段内各车辆的历史运动数据；

12、将每个子时间段内各车辆的人工输入的起步标注结果以及对应的历史运动数据组成一训练数据，输入至一深度学习模型，得到所述起步意图预测模型；其中，每个子时间段内各车辆的起步标注结果作为所述深度学习模型的输出，对应的历史运动数据作为所述深度学习模型的输入。

13、在可选的实施例中，在所述获取未起步的目标车辆在距离当前时刻设定时长内每一时刻的运动数据之前，所述预测方法还包括：

14、获取多个车辆在预设历史时间段内的每一时刻的历史运动数据；所述预设历史时间段在所述车辆完成起步之前；

15、将预设历史时间段拆分为多个子时间段，每个子时间段的时间长度为设定时长；

16、根据每个子时间段内各车辆的历史运动数据，结合预设启动时距，确定对应每个子时间段内各车辆的历史运动数据的起步标注结果；

17、将每个子时间段内各车辆的起步标注结果以及对应的历史运动数据组成一训练数据，输入至一深度学习模型，得到所述起步意图预测模型；其中，每个子时间段内各车辆的起步标注结果作为所述深度学习模型的输出，对应的历史运动数据作为所述深度学习模型的输入。

18、在可选的实施例中，所述根据每个子时间段内各车辆的历史运动数据，结合预设启动时距，确定对应每个子时间段内各车辆的历史运动数据的起步标注结果，包括：

19、根据预设的第一时间窗口和第二时间窗口，结合所述运动数据、预设的第一帧数和第二帧数，从每个所述子时间段内的第一时间帧开始，逐帧判断每一帧是否为启动帧；

20、根据所述启动帧以及每个所述子时间段内的第一时间帧，确定各车辆的启动时距；

21、针对每一车辆，若对应的启动时距长于所述预设启动时距，将该车辆的对应子时间段标注为起步，将该车辆的其他子时间段标注为未起步。

22、在可选的实施例中，所述运动数据包括速度数据和位移数据，所述根据预设的第一时间窗口和第二时间窗口，结合所述运动数据、预设的第一帧数和第二帧数，从每个所述子时间段内的第一时间帧开始，逐帧判断每一帧是否为启动帧，包括：

23、从每个子时间段内的第一时间帧开始，逐帧判断在所述第一时间窗口内的所有帧的速度是否高于第一设定速度值、在所述第二时间窗口内的设定数量帧的速度是否高于第二设定速度值、在所述第二时间窗口内的位移是否高于设定位移值；

24、若均为是，则确定当前判断的时间帧为所述启动帧。

25、在可选的实施例中，在所述获取未起步的目标车辆在距离当前时刻设定时长内每一时刻的运动数据之前，包括：

26、在用户车辆探测范围内的所有车辆，若车辆的位移数据处于第一预设阈值内，且速度数据处于第二预设阈值内，则将所述车辆确定为未起步的目标车辆。

27、本申请实施例的第二方面提供了一种目标车辆起步意图的预测装置，所述预测装置包括：

28、数据获取模块，用于获取未起步的目标车辆在距离当前时刻设定时长内每一时刻的第一运动数据；

29、起步意图预测模块，用于将所述第一运动数据输入至预设的起步意图预测模型，所述起步意图预测模型输出所述目标车辆的起步预测结果；所述起步意图预测模型是通过多个车辆在起步前的设定时长内的历史运动数据训练形成。

30、本申请实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。

31、本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。

32、本申请实施例的第五方面提供了一种计算机程序产品，当所述计算机程序产品在终端设备上运行时，使得所述终端设备执行上述第一方面所述的方法。

33、本申请有益效果

34、采用本申请提供的一种车辆起步意图的预测方法，首先获取未起步的目标车辆在距离当前时刻设定时长内每一时刻的第一运动数据，之后将所述第一运动数据输入至预设的起步意图预测模型，所述起步意图预测模型输出所述目标车辆的起步预测结果，从而借助于在目标车辆起步完成之前的设定时长内，其运动数据的波动变化与无起步意图的“静止状态”的运动数据的波动变化不同的特性，将“静止状态”下和“起步开始到起步结束”的运动数据均作为深度学习模型的输入，从而使得深度学习模型在预测时考虑了两个输入之间的差异特征，提高了预测模型的准确度，进而形成了利用深度学习模型预测起步意图的方案，解决了目前无法采用模型准确预测起步意图的问题。

技术特征：

1.一种目标车辆起步意图的预测方法，其特征在于，所述预测方法包括：

2.根据权利要求1所述的方法，其特征在于，所述预测方法还包括：

3.根据权利要求1所述的方法，其特征在于，在所述获取未起步的目标车辆在距离当前时刻设定时长内每一时刻的运动数据之前，所述预测方法还包括：

4.根据权利要求1所述的方法，其特征在于，在所述获取未起步的目标车辆在距离当前时刻设定时长内每一时刻的运动数据之前，所述预测方法还包括：

5.根据权利要求4所述的方法，其特征在于，所述根据每个子时间段内各车辆的历史运动数据，结合预设启动时距，确定对应每个子时间段内各车辆的历史运动数据的起步标注结果，包括：

6.根据权利要求5所述的方法，其特征在于，所述运动数据包括速度数据和位移数据，所述根据预设的第一时间窗口和第二时间窗口，结合所述运动数据、预设的第一帧数和第二帧数，从每个所述子时间段内的第一时间帧开始，逐帧判断每一帧是否为启动帧，包括：

7.根据权利要求1所述的方法，其特征在于，在所述获取未起步的目标车辆在距离当前时刻设定时长内每一时刻的运动数据之前，包括：

8.一种目标车辆起步意图的预测装置，其特征在于，所述预测装置包括：

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。

技术总结
本申请适用于汽车自动驾驶领域，提供了一种目标车辆起步意图的预测方法、装置、终端设备及存储介质，所述预测方法包括：获取未起步的目标车辆在距离当前时刻设定时长内每一时刻的第一运动数据；将第一运动数据输入至预设的起步意图预测模型，由起步意图预测模型输出目标车辆的起步预测结果；起步意图预测模型是通过多个车辆在起步前的设定时长内的历史运动数据训练形成。通过上述方案，实现对目标车辆起步意图的预测。

技术研发人员：艾锐,欧洋佳欣,顾维灏
受保护的技术使用者：毫末智行科技有限公司
技术研发日：
技术公布日：2024/12/5